Time Series Clustering with an EM algorithm for Mixtures of Linear Gaussian State Space Models

要約

この論文では、各クラスターをモデル化しながら個々の時系列のセットをクラスタリングするタスク、つまりモデルベースの時系列クラスタリングを検討します。
このタスクには、さまざまな時系列のダイナミクスを記述するのに十分な柔軟性を備えたパラメトリック モデルが必要です。
この問題に対処するために、柔軟性の高い線形ガウス状態空間モデルの混合を使用した新しいモデルベースの時系列クラスタリング手法を提案します。
提案手法では、混合モデルの新しい期待値最大化アルゴリズムを使用してモデル パラメータを推定し、ベイジアン情報量基準を使用してクラスタ数を決定します。
シミュレートされたデータセットでの実験は、クラスタリング、パラメーター推定、およびモデル選択における方法の有効性を示しています。
この方法は、以前に提案された時系列クラスタリング方法が低い精度を示した実際のデータセットに適用されます。
結果は、私たちの方法が以前の方法を使用して得られたものよりも正確なクラスタリング結果を生成することを示しました。

要約(オリジナル)

In this paper, we consider the task of clustering a set of individual time series while modeling each cluster, that is, model-based time series clustering. The task requires a parametric model with sufficient flexibility to describe the dynamics in various time series. To address this problem, we propose a novel model-based time series clustering method with mixtures of linear Gaussian state space models, which have high flexibility. The proposed method uses a new expectation-maximization algorithm for the mixture model to estimate the model parameters, and determines the number of clusters using the Bayesian information criterion. Experiments on a simulated dataset demonstrate the effectiveness of the method in clustering, parameter estimation, and model selection. The method is applied to a real dataset for which previously proposed time series clustering methods exhibited low accuracy. Results showed that our method produces more accurate clustering results than those obtained using the previous methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google